一种确定训练样本的方法技术

本申请公开了一种确定训练样本的方法。该方法包括：确定待标注的目标图像；通过超像素分割算法将所述目标图像分割为多个超像素区块；基于所划分的各所述超像素区块对所述目标图像中的标注对象进行标注，并根据标注后的目标图像确定训练样本。从而克服了现有技术中人工标注效率较低的问题，导致获得训练样本效率低的问题；此外，在基于超像素区块对目标图像进行标注，由于这些超像素区块经过超像素分割算法划分而得到，相对于现有技术中的人工标注，对标注对象的边缘能够更加准确地区分，因此能够提高对标注对象进行标注的准确性，进而提高数学模型的训练效果。

【技术实现步骤摘要】
一种确定训练样本的方法
本申请涉及模型训练
，尤其涉及一种确定训练样本的方法。
技术介绍
随着互联网的蓬勃发展，机器学习(MachineLearning，ML)技术作为一种新的技术，越来越受到人们的重视。在视频监控、智能交通、无人车驾驶等领域广泛应用的场景语义理解技术正是基于机器学习理论，利用大量的人工标注的图像样本进行训练，从而学习得到一个满足任务需求的场景理解模型来实现的。机器学习技术通过对具体场景的图像进行分析，该分析结果能够为后续的具体应用过程提供帮助。在实际应用中，对图像的分析过程可以通过所建立的数学模型来实现，比如，可以通过所建立的数学模型，对无人驾驶车所采集的图像进行分析，从而根据分析结果确定出安全行驶的路径。通常为了提高数学模型所获得的分析结果的准确性，在数学模型的建立过程中，需要大量的训练样本对该数学模型进行训练，这些训练样本通过对图像中的标注对象(例如，人、车、交通标注牌、建筑物、树、天空等)进行人工标注而获得。在人工标注过程中，标注者需要逐一找出待标注图像中的标注对象，并对各个标注对象进行标注，然后根据标注后的图像得到训练样本。然而，这种通过人工标注来获得本文档来自技高网...

【技术保护点】
一种确定训练样本的方法，其特征在于，包括：确定待标注的目标图像；通过超像素分割算法将所述目标图像分割为多个超像素区块；基于所划分的各所述超像素区块对所述目标图像中的标注对象进行标注，并根据标注后的目标图像确定训练样本。

【技术特征摘要】
1.一种确定训练样本的方法，其特征在于，包括：确定待标注的目标图像；通过超像素分割算法将所述目标图像分割为多个超像素区块；基于所划分的各所述超像素区块对所述目标图像中的标注对象进行标注，并根据标注后的目标图像确定训练样本。2.如权利要求1所述方法，其特征在于，基于所划分的各所述超像素区块对所述目标图像中的标注对象进行标注，具体包括：确定初始标注框；根据所述初始标注框所串连的超像素区块，确定用于对所述标注对象进行标注的目标标注框，以实现对所述目标图像中的标注对象进行标注。3.如权利要求2所述方法，其特征在于，根据所述初始标注框所串连的超像素区块，确定用于对所述标注对象进行标注的目标标注框，具体包括：根据所述初始标注框所串连的超像素区块，将所串连的超像素区块的外侧边缘连接并作为所述目标标注框。4.如权利要求2所述方法，其特征在于，根据所述初始标注框所串连的超像素区块，确定用于对所述标注对象进行标注的目标标注框，具体包括：根据所述初始标注框所串连的超像素区块，将所串连的超像素区块的内侧边缘连接并作为所述目标标注框。5.如权利要求1所述方法，其特征在于，基于所划分的各所述超像素区块对所述目标图像中的标注对象进行标注，具体包括：将被鼠标点击和/或被触控的超像素区块作为所述目标图像中的标注对象进行标注。6.如权利要求1所述方法，其特征在于，所述通过超像素分割算法将所述目标图像分割为多个超像素区块，具体包括：从所述目标图像的各像素中确定出K个目标像素，将所述目标像素在颜色空间中的值作为初始聚类中心，所述K为大于或等于2的正整数...

【专利技术属性】
技术研发人员：刘康伟，郝宇，
申请(专利权)人：法乐第北京网络科技有限公司，
类型：发明
国别省市：北京,11